任务分解引导的重排用于自适应智能体技能检索

技能使用能显著增强现代智能体系统完成复杂任务的能力。但技能库规模的增长使准确的技能选择日益困难。真实场景中，特定任务需求与多个通用而语义相似的候选技能之间常出现含糊的语义匹配；且既有方法在选最优目标技能集时倾向忽视任务难度与技能适用性的动态影响。为此我们提出SkillReranker：面向自适应技能选择的推理时重排框架。具体地，先对任务与技能两侧做语义分解，得到有信息量的子任务与执行状态描述、以及刻画每个技能功能的转移状态描述；再用这些描述构造有向无环执行图——中间任务状态建模为节点、候选技能为边——建立结构化的任务—技能对应。在此基础上，SkillReranker判定每个状态节点是否满足拆分条件以识别子任务区间；对每个任务区间，用交叉编码器对候选技能做综合打分、选出最合适者组成最终目标技能集。ALFWorld与ScienceWorld上配三个骨干LLM的实验显示：SkillReranker相较既有技能选择基线有效改善任务表现、减少环境交互步数并降低token消耗。